Simulação Sequencial Gaussiana usando Latin Hypercube Sampling : estudo de caso minério de ferro Carajás

• Autor(a) principal: Batiston, Evandro Lino
• Data de Publicação: 2010
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/28838
• topic: Lavra : Planejamento; Minério de ferro; Geoestatística; Amostragem

A utilização de modelos de incerteza geológica é fundamental para a quantificação e avaliação da flutuação dos atributos analisados pelos departamentos de planejamento da indústria mineira. O método de simulação seqüencial Gaussiana (SSG) é amplamente utilizado para a construção destes modelos. O SSG caracteriza-se por representar adequadamente o espaço de incerteza da variável aleatória (VA) Z(u), desde que o número de realizações L seja adequado para reproduzi-lo. Existem dois algoritmos implementados em SSG que efetuam a tiragem aleatória da distribuição condicional local de probabilidade (dclp) cumulativa, visando gerar as realizações que vão compor a simulação. O algoritmo clássico, baseado na tiragem simples por Monte Carlo, denomina-se Simple Random Sampling (SRS), enquanto que o método alternativo é denominado Latin Hypercube Sampling (LHS). Esta dissertação compara a eficiência destes dois algoritmos, como forma de caracterizar o espaço de incerteza de algumas funções de transferência usadas na indústria mineral. O estudo de caso envolveu a análise do número de realizações necessárias para caracterizar adequadamente a variabilidade da resposta destas funções, como mecanismo para comparação, para um banco de dados de minério de ferro da Província Mineral de Carajás. Observou-se que o método LHS ofereceu maior eficiência na caracterização do espaço de incerteza da VA Z(u), estratificando a dclp de acordo com cada realização, proporcionando menor número de realizações e melhor cobertura da dclp, na construção do modelo de incerteza. Estes benefícios facilitam a implementação da técnica de SSG nas rotinas de planejamento, de forma que os modelos de incerteza serão menores e mais fáceis de manipular.